open-multi-agent/open-multi-agent

open-multi-agent 是面向 TypeScript 后端的 multi-agent 编排框架。给它一个目标；coordinator agent 会将其拆解为 task DAG，并行化独立任务，并综合结果。三个 runtime dependencies，可接入任何 Node.js 后端。

**Package 更新：**官方 npm package 现在是 @open-multi-agent/core。 之前的 package @jackchen_me/open-multi-agent 在迁移窗口期仍会继续支持。

你的工程师描述目标，而不是描述图。

快速开始

需要 Node.js >= 18。

在你的项目中使用

npm install @open-multi-agent/core

import { OpenMultiAgent, type AgentConfig } from '@open-multi-agent/core'

const agents: AgentConfig[] = [
  { name: 'architect', model: 'claude-sonnet-4-6', systemPrompt: 'Design clean API contracts.', tools: ['file_write'] },
  { name: 'developer', model: 'claude-sonnet-4-6', systemPrompt: 'Implement runnable TypeScript.', tools: ['bash', 'file_read', 'file_write', 'file_edit'] },
  { name: 'reviewer', model: 'claude-sonnet-4-6', systemPrompt: 'Review correctness and security.', tools: ['file_read', 'grep'] },
]

const orchestrator = new OpenMultiAgent({
  defaultModel: 'claude-sonnet-4-6',
  onProgress: (event) => console.log(event.type, event.task ?? event.agent ?? ''),
})

const team = orchestrator.createTeam('api-team', { name: 'api-team', agents, sharedMemory: true })
const result = await orchestrator.runTeam(team, 'Create a REST API for a todo list in /tmp/todo-api/')

console.log(result.success, result.totalTokenUsage.output_tokens)

在本地运行一个示例

git clone https://github.com/open-multi-agent/open-multi-agent && cd open-multi-agent
npm install
export ANTHROPIC_API_KEY=sk-...
npx tsx examples/basics/team-collaboration.ts

三个 agent 协作开发一个 REST API，同时 onProgress 流式输出 coordinator 的 task DAG：

agent_start coordinator
task_start design-api
task_complete design-api
task_start implement-handlers
task_start scaffold-tests         // independent tasks run in parallel
task_complete scaffold-tests
task_complete implement-handlers
task_start review-code            // unblocked after implementation
task_complete review-code
agent_complete coordinator        // synthesizes final result
Success: true
Tokens: 12847 output tokens

通过 Ollama 使用本地模型不需要 API key，见 providers/ollama。对于托管 provider（OPENAI_API_KEY、GEMINI_API_KEY 等），见 支持的 Providers。

三种运行方式

预览 coordinator 的 task DAG，而不执行 agent：

const plan = await orchestrator.runTeam(team, goal, { planOnly: true })

对于没有任务依赖的 MapReduce 风格 fan-out，直接使用 AgentPool.runParallel()。见 patterns/fan-out-aggregate。

对于 shell 和 CI，使用 JSON-first 的 oma binary。见 docs/cli.md。

功能

生产控制（context strategies、带 backoff 的任务 retry、loop detection、tool output 截断/压缩）见 Production Checklist。

示例

examples/ 按类别组织：basics、cookbook、patterns、providers、integrations 和 production。完整索引见 examples/README.md。

真实工作流（cookbook/）

你今天就可以运行的端到端场景。每个都是完整且有明确取向的工作流。

• contract-review-dag：用于合同审查的四任务 DAG，包含并行分支和失败时的步骤级 retry。
• meeting-summarizer：三个专门 agent 对会议 transcript 进行 fan out，aggregator 将它们合并为一份 Markdown 报告，包含 action items 和 sentiment。
• competitive-monitoring：三个并行 source agents 从 feeds 中提取 claims；aggregator 交叉核对并标记矛盾。
• translation-backtranslation：使用一个 provider 将英文翻译为目标语言，再用另一个 provider 回译，并标记语义漂移。

Patterns 和 integrations

• basics/team-collaboration：runTeam() coordinator pattern。
• patterns/structured-output：任意 agent 返回经 Zod 验证的 JSON。
• patterns/fan-out-aggregate：通过 AgentPool.runParallel() 实现 MapReduce 风格 fan-out。
• patterns/agent-handoff：通过 delegate_to_agent 进行同步 sub-agent 委派。
• integrations/trace-observability：为 LLM 调用、tools 和 tasks 提供 onTrace spans。
• integrations/mcp-github：通过 connectMCPTools() 将 MCP server 的 tools 暴露给 agent。
• integrations/with-vercel-ai-sdk：Next.js app，将 OMA runTeam() 与 AI SDK useChat streaming 结合。
• Provider 示例：examples/providers/ 下的脚本覆盖托管 providers、OpenAI-compatible endpoints 和本地模型。

使用 npx tsx examples/<path>.ts 运行任意脚本。

这和 X 有什么不同？

一个快速路由。下面是机制拆解。

vs. LangGraph JS。 LangGraph 将声明式 graph（nodes、edges、conditional routing）编译为可调用对象。open-multi-agent 运行一个 Coordinator，在 runtime 将目标拆解为 task DAG，然后自动并行化独立任务。目标相同（编排执行），方向相反：LangGraph 是 graph-first，OMA 是 goal-first。

vs. Mastra。 两者都是 TypeScript-native。Mastra 的 Supervisor pattern 要求你手工串接 agents 和 workflows；OMA 的 Coordinator 会在 runtime 根据目标字符串完成串接。如果 workflow 预先已知，Mastra 的显式性会带来好处。如果你不想枚举每一步，OMA 的 runTeam(team, goal) 只需一次调用。

vs. CrewAI。 CrewAI 是 Python 中成熟的 multi-agent 选项。OMA 面向 TypeScript 后端，只有三个 runtime dependencies，并可直接嵌入 Node.js。编排能力大致可比；选择取决于语言栈。

vs. Vercel AI SDK。 AI SDK 提供 LLM 调用层——provider 抽象、streaming、tool calls 和 structured outputs。它不编排目标驱动的 multi-agent teams。两者互补：AI SDK 用于 app 表层和 single-agent 调用，需要团队时使用 OMA。

生态

open-multi-agent 于 2026-04-01 以 MIT 协议发布。迄今已知用户和 integrations：

生产环境中

• temodar-agent（约 60 stars）。由 Ali Sünbül 开发的 WordPress 安全分析平台。直接在 Docker runtime 内使用我们的内置 tools（bash、file_*、grep）。已确认用于生产环境。
• Cybersecurity SOC（home lab）。 一个私有部署，通过 Ollama 完全离线运行 Qwen 2.5 + DeepSeek Coder，在 Wazuh + Proxmox 上构建自主 SOC pipeline。早期用户，尚未公开。

正在生产环境或个人项目中使用 open-multi-agent？发起 discussion，我们会在这里列出。

Integrations

• Engram — “Git for AI memory”。在 agents 之间即时同步知识，并标记冲突。(repo)
• @agentsonar/oma — Sidecar，用于检测跨运行的 delegation cycles、重复和速率突增。

构建了 integration？发起 discussion 以便被列出。

Featured partner

面向与 open-multi-agent 深度集成的产品和平台。条款和申请方式见 Featured partner program。

架构

┌─────────────────────────────────────────────────────────────────┐
│  OpenMultiAgent (Orchestrator)                                  │
│                                                                 │
│  createTeam()  runTeam()  runTasks()  runAgent()  getStatus()   │
└──────────────────────┬──────────────────────────────────────────┘
                       │
            ┌──────────▼──────────┐
            │  Team               │
            │  - AgentConfig[]    │
            │  - MessageBus       │
            │  - TaskQueue        │
            │  - SharedMemory     │
            └──────────┬──────────┘
                       │
         ┌─────────────┴─────────────┐
         │                           │
┌────────▼──────────┐    ┌───────────▼───────────┐
│  AgentPool        │    │  TaskQueue             │
│  - Semaphore      │    │  - dependency graph    │
│  - runParallel()  │    │  - auto unblock        │
└────────┬──────────┘    │  - cascade failure     │
         │               └───────────────────────┘
┌────────▼──────────┐
│  Agent            │
│  - run()          │    ┌────────────────────────┐
│  - prompt()       │───►│  LLMAdapter            │
│  - stream()       │    │  - AnthropicAdapter    │
└────────┬──────────┘    │  - OpenAIAdapter       │
         │               │  - AzureOpenAIAdapter  │
         │               │  - BedrockAdapter      │
         │               │  - CopilotAdapter      │
         │               │  - GeminiAdapter       │
         │               │  - GrokAdapter         │
         │               │  - MiniMaxAdapter      │
         │               │  - DeepSeekAdapter     │
         │               │  - QiniuAdapter        │
         │               └────────────────────────┘
┌────────▼──────────┐
│  AgentRunner      │    ┌──────────────────────┐
│  - conversation   │───►│  ToolRegistry        │
│    loop           │    │  - defineTool()      │
│  - tool dispatch  │    │  - 6 built-in tools  │
└───────────────────┘    │  + delegate (opt-in) │
                         └──────────────────────┘

核心概念

• Tools + MCP。 内置工具覆盖 bash、file_read、file_write、file_edit、grep 和 glob；自定义 tools 使用 defineTool() + Zod；stdio MCP servers 通过 connectMCPTools() 连接。见 tool configuration。
• Observability。 接入 onProgress 获取实时生命周期 events，接入 onTrace 获取结构化 spans，使用 renderTeamRunDashboard(result) 生成静态 DAG dashboard。见 observability。
• Shared memory。 使用默认进程内 KV，或带上 Redis、Postgres、Engram，或任何 MemoryStore。见 shared memory。
• Context management。 对长时间运行的 agents 使用 sliding windows、summarization、rule-based compaction 或自定义 compressor。见 context management。

支持的 Providers

修改 provider、model，并设置环境变量。agent config 的形状保持不变。

const agent: AgentConfig = {
  name: 'my-agent',
  provider: 'anthropic',
  model: 'claude-sonnet-4-6',
  systemPrompt: 'You are a helpful assistant.',
}

环境变量、模型示例、本地 tool-calling、timeouts 和 troubleshooting 见 docs/providers.md。

Production Checklist

上线前，请接入这些控制项，用于保护 token 开销、从失败中恢复，并便于调试。

贡献

欢迎提交 issues、feature requests 和 PRs。以下领域的贡献尤其有价值：

• Production examples。 真实世界的端到端 workflows。验收标准和提交格式见 examples/production/README.md。
• Documentation。 指南、教程和 API docs。
• Translations。 帮助将此 README 翻译成其他语言。提交 PR。

贡献者

框架功能

• @ibrahimkzmv（token budget、context strategy、dependency-scoped context、tool presets、glob、MCP integration、configurable coordinator、CLI、dashboard rendering、trace event types）
• @apollo-mg（context compaction fix、sampling parameters）
• @tizerluo（onPlanReady、onAgentStream）
• @CodingBangboo（planOnly mode）
• @Xin-Mai（output schema validation）
• @JasonOA888（AbortSignal support）
• @EchoOfZion（coordinator skip for simple goals）
• @voidborne-d（OpenAI mixed content fix）
• @NamelessNATM（agent delegation base implementation）
• @MyPrototypeWhat（reasoning blocks、reasoning_effort、sampling parity、trace input/output）
• @SiMinus（streaming reasoning events）

Provider integrations

• @ibrahimkzmv（Gemini）
• @hkalex（DeepSeek、MiniMax）
• @marceloceccon（Grok）
• @Klarline（Azure OpenAI）
• @Deathwing（GitHub Copilot）
• @JackChiang233（Qiniu）
• @CodingBangboo（AWS Bedrock）

Examples & cookbook

• @mvanhorn（research aggregation、code review、meeting summarizer、Groq example、Mistral example）
• @Kinoo0（code review upgrade）
• @Optimisttt（research aggregation upgrade）
• @Agentscreator（Engram memory integration）
• @fault-segment（contract-review DAG）
• @HuXiangyu123（cost-tiered example）
• @zouhh22333-beep（translation/backtranslation）
• @pei-pei45（competitive monitoring）
• @mmjwxbc（interview simulator）
• @binghuaren96（incident postmortem DAG）
• @DaiMao-UT（paper replication triage）
• @oooooowoooooo（rare disease information triage）
• @CodingBangboo（Express customer support pipeline）

Docs & tests

• @tmchow（llama.cpp docs）
• @kenrogers（OpenRouter docs）
• @jadegold55（LLM adapter test coverage）

Star History

License

MIT